Нейронные сети

Cтраница 3

Нейронные сети позволяют строить комплексную систему прогноза как на базе технических, так макроэкономических показателей, находя компромисс между сторонниками двух подходов. [31]

Нейронные сети применимы для решения целого класса задач, где используются не уравнения динамики и даже не столько правила, как в традиционных экспертных системах, сколько опыт. Опытный врач поставит диагноз даже, если симптоматика заболевания искажена и ему не доводилось ранее ее наблюдать или абстрактно осмысливать. Механизм диагностики при этом иногда напоминает скорее распознавание на подсознательном уровне, чем цепочку рассуждений на логическом уровне. Построение экспертных систем, основанных на правилах, или использование логических исчислений для решения указанного класса задач упираются в сложность учета всех мыслимых сочетаний факторов и формализации закономерностей, связывающих условия задачи с результатом. [32]

Нейронные сети обладают высокой распараллеливаемостью, что и обеспечивает повышенное быстродействие, важное в задачах управления в реальном времени, т.е. когда идентификация или формирование закона управления осуществляются в темпе протекания процесса. Вместе с тем искусственные нейронные сети сегодняшнего дня моделируют скорее, например, глаз, чем мозг. [33]

Нейронные сети и дифференциальные уравнения относятся к различным ветвям в моделировании, известным как эмпиризм и фундаментализм. Первая ветвь, эмпиризм, восходит к работам Аристотеля и Леонардо да Винчи, вторая, фундаментализм, обязана своим рождением Галилею, пытавшемуся реализовать в моделировании теологические представления Платона о мире идей и учение о душе. Дифференциальные уравнения описывают душу объекта, в то время как нейронная сеть оказывается в состоянии запомнить, а потом воспроизвести динамическое поведение объекта в ситуациях, которые ей известны. Аналитическая форма представления знаний ей недоступна, она способна запомнить и обобщить только конкретные эмпирические зависимости, хотя речь здесь идет, конечно, не о запоминании данных в табличном виде. [34]

Нейронные сети помогают выявить связи между данными в тех случаях, когда статистические методы не справляются с задачей. Например, статистика не позволяет найти корреляцию в последовательностях ДНК двух бактериофагов PHIX174 и MIG4XX, хотя было известно, что они являются ближайшими родственниками. Использование сетей Хопфилда для поиска в этих последовательностях скрытых повторов ( периодичностей), обеспечившее учет корреляций между нуклеотидными парами, не только показало несомненную близость геномов этих фагов, но и продемонстрировало, что они представляют собой гены, сбежавшие с комплементарных цепей ДНК-предшестенницы. [35]

Электронно-оптические нейронные сети обеспечивают средства для выполнения параллельного умножения матриц. Рассмотренные в работах [3,6,7] такие сети работают со скоростью, ограниченной только доступными электронно-оптическими компонентами; время вычислений потенциально располагается в субнаносекундном диапазоне. [36]

Нейронные сети типа многослойный перцептрон являются одними из наиболее перспективных оптических вычислительных систем, поскольку позволяют производить обработку массивов световых сигналов за один проход. Ключевым моментом в создании таких нейронных сетей является установление связей с определенными весами между нейронами в слоях. Физическая реализация осуществления связей между нейронами такой сети представляет собой вектор-матричное произведение. [37]

Известные нейронные сети можно разделить по типам структур нейронов на гомогенные ( однородные) и гетерогенные. Гомогенные сети состоят из нейронов одного типа с единой функцией активации, а в гетерогенную сеть входят нейроны с различными функциями активации. [38]

Пример нейронной сети без циклов. [39]

Линейные нейронные сети используют нейроны с линейной функцией активации. Нелинейные применяют нелинейную функцию активации, например, пороговую или сигмоидную. [40]

Рассмотренные нейронные сети з самой грубой форме моделировали работу мозга показывал, как он в принципе может управлять поведением В § 3 мы немного приблизимся к реальной нервной системе, используя более точные модели нервных клеток. [41]

Рассмотренные нейронные сети связывают внешнюю среду с периферийной нервной системой и с мозгом живого объекта. [42]

Разные нейронные сети, вообще говоря, имеют разные нормы. Тот образ, который одна сеть считает похожим на данный, другая может таковым не считать. И выбирать между ними приходится, исходя из своих представлений о решаемой задаче. [43]

Обычно нейронные сети для QSAR / QSPR включают входной слой нейронов ( который получает рассчитанные значения дескрипторов), промежуточный слой и выходной слой нейронов, соответствующих прогнозируемым свойствам. [44]

Нейронные сети выглядят предпочтительнее экспертных систем, позволяя одновременно анализировать множество в общем случае неточных и неполных параметров и не требуя при этом явной формализации правил вывода. Однако, объяснение тех или иных рекомендаций, полученных с помощью нейросетевого анализа, является требованием, которое обычно предъявляют специалисты, желающие использовать нейросетевые технологии. На первый взгляд здесь-то и находится их слабое место. Действительно, в такой области обработки информации, как извлечение знаний, нейронные сети стали применяться только относительно недавно. [45]

Страницы: 1 2 3 4